🤖 machine learning

Hybrid Quantum-Classical Ridgelet Neural Networks for Portfolio Optimization

Este artículo propone un marco híbrido cuántico-clásico que utiliza una Red Neuronal de Ridgelet Cuántica (QRNN) para extraer características multirresolución de datos de series temporales financieras, las cuales luego se optimizan para la selección de activos mediante el Algoritmo Cuántico de Optimización Aproximada (QAOA) para resolver un problema de cartera de media-varianza.

Autores originales: Bahadur Yadav, Sanjay Kumar Mohanty

Publicado 2026-04-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Bahadur Yadav, Sanjay Kumar Mohanty

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando construir la cartera de inversión perfecta. Tienes una lista masiva de acciones entre las que elegir, pero solo puedes seleccionar unas pocas. El desafío es doble: primero, necesitas predecir qué acciones subirán en el futuro (pronóstico), y segundo, necesitas elegir la mejor combinación que equilibre altos rendimientos con bajo riesgo (optimización).

Este artículo presenta una nueva herramienta llamada Red Neuronal de Ridgelet Híbrida Cuántico-Clásica (QRNN) para resolver estos dos problemas. Así es como funciona, desglosado en conceptos y analogías simples.

1. La lente "Ridgelet": Ver los patrones ocultos

Los mercados financieros son caóticos, como un océano tormentoso con olas de todos los tamaños. Las herramientas tradicionales a menudo se confunden con el ruido.

La analogía: Imagina mirar una pintura compleja. Una cámara estándar ve la imagen completa de una sola vez. Una transformada de Ridgelet es como un par de gafas especiales que descompone la pintura en "crestas" o líneas específicas. Puede ver simultáneamente tanto las curvas amplias y generales (tendencias globales) como los detalles diminutos y dentados (picos locales).
Lo que hace el artículo: Los autores utilizan esta técnica "Ridgelet" para limpiar los datos de las acciones, separando las tendencias importantes del ruido antes de alimentarlos en su modelo informático.

2. El cerebro cuántico: Una nueva forma de calcular

Una vez que los datos están limpios, el modelo necesita predecir los precios futuros. En lugar de usar una computadora estándar, utilizan una Red Neuronal Cuántica.

La analogía: Piensa en una computadora clásica como un bibliotecario que revisa los libros uno por uno en un estante. Una computadora cuántica es como un bibliotecario que puede mirar todos los libros en el estante al mismo tiempo exacto, gracias a una propiedad mágica llamada "superposición".
El mecanismo: El modelo toma los datos de las acciones limpiados y los codifica en "qubits" (bits cuánticos). Utiliza un tipo específico de circuito cuántico (un bucle de puertas lógicas) para procesar esta información. El artículo afirma que este enfoque cuántico es mucho mejor detectando patrones complejos y no lineales en los precios de las acciones que los modelos de IA estándar como LSTMs o Transformers.

3. El "Optimizador de Cartera": Elegir a los ganadores

Después de que el Cerebro Cuántico predice qué acciones rendirán bien, entra en juego la segunda parte del sistema: Optimización de Cartera.

La analogía: Imagina que tienes una cesta y una regla que dice que solo puedes mantener exactamente 5 artículos. Quieres que la cesta sea lo más valiosa posible sin ser demasiado pesada (arriesgada).
La herramienta: Utilizan un algoritmo llamado QAOA (Algoritmo Cuántico Aproximado de Optimización). Piensa en QAOA como un robot superinteligente que prueba instantáneamente millones de combinaciones diferentes de 5 acciones para encontrar la mezcla perfecta única que maximice las ganancias mientras minimiza la posibilidad de perder dinero. Convierte el problema en un rompecabezas matemático (QUBO) que la computadora cuántica resuelve de manera eficiente.

4. Lidiando con el "ruido cuántico" (la estática en la línea)

Las computadoras cuánticas reales son actualmente muy sensibles; son como radios que captan estática (ruido) que arruina la señal.

El experimento: Los autores probaron su modelo en tres escenarios:
1. Mundo perfecto: Sin ruido (ideal).
2. Mundo ruidoso: La señal está llena de estática (inversiones de bits e inversiones de fase).
3. Corrección de errores: Intentaron arreglar la estática utilizando "Corrección de Errores" (como un auricular con cancelación de ruido para datos cuánticos).
El hallazgo: Como era de esperar, el ruido empeoró el modelo. Sin embargo, descubrieron que un enfoque de "Corrección Parcial de Errores" era el punto ideal. Arregló suficientes errores para hacer el modelo estable sin hacer que la computadora fuera demasiado lenta o compleja. Fue un equilibrio entre precisión y eficiencia.

5. Los resultados: ¿Funcionó?

El equipo probó su sistema con datos históricos reales de acciones de 12 empresas importantes (como Apple, Tesla y Amazon) durante un período de 10 años.

La comparación: Puso a su modelo de Ridgelet Cuántico contra modelos de IA estándar (como LSTMs) y otros modelos cuánticos.
El resultado: El modelo QRNN ganó. Cometer menos errores (tasas de error más bajas) al predecir los precios de las acciones que los otros modelos. Cuando utilizaron estas predicciones para construir una cartera de 5 acciones, su método produjo un mejor "Ratio de Sharpe" (una medida de cuánto beneficio obtienes por el riesgo que asumes) en comparación con la selección aleatoria o estrategias simples de "elegir las 5 mejores".

Resumen

El artículo propone un sistema híbrido de dos pasos:

Red Neuronal de Ridgelet Cuántica: Utiliza física cuántica y matemáticas especiales (Ridgelets) para predecir los precios de las acciones con mayor precisión que la IA actual.
Optimizador QAOA: Utiliza la computación cuántica para seleccionar el mejor grupo de acciones para comprar.

Los autores reconocen que, aunque el modelo funciona muy bien en simulaciones, ejecutarlo en computadoras cuánticas reales y a gran escala es actualmente difícil porque el "ruido" y los requisitos de memoria crecen exponencialmente a medida que se agregan más qubits. Sin embargo, para los datos que probaron, este nuevo enfoque demostró ser más preciso y confiable que los métodos existentes.

A continuación se presenta un resumen técnico detallado del artículo "Red Neuronal de Ridgelet Híbrida Cuántico-Clásica para la Optimización de Carteras" de Bahadur Yadav y Sanjay Kumar Mohanty.

1. Planteamiento del Problema

El artículo aborda dos desafíos fundamentales en las finanzas cuantitativas:

Predicción de Series Temporales Financieras: Predecir los rendimientos de las acciones es difícil debido a la naturaleza no lineal, caótica y volátil de los mercados financieros. Los modelos estadísticos tradicionales (ARIMA, GARCH) a menudo fallan al capturar patrones complejos, mientras que los modelos estándar de Aprendizaje Profundo (DL) (LSTM, Transformers) luchan con la interpretabilidad, el sobreajuste y la captura de singularidades direccionales.
Optimización de Carteras: Seleccionar un subconjunto óptimo de activos de un universo grande para maximizar los rendimientos mientras se minimiza el riesgo es un problema de optimización combinatoria. Resolver esto bajo restricciones de cardinalidad (seleccionar un número fijo de activos) es NP-difícil para las computadoras clásicas a medida que el espacio de búsqueda crece exponencialmente.

Los autores proponen un marco híbrido cuántico-clásico que aprovecha el poder expresivo de la computación cuántica para la extracción de características y la optimización, específicamente adaptado para manejar la no linealidad de los datos financieros.

2. Metodología

El marco propuesto consta de dos módulos integrados: una Red Neuronal de Ridgelet Cuántica (QRNN) para la predicción y un Algoritmo de Optimización Aproximada Cuántica (QAOA) para la selección de cartera.

A. Red Neuronal de Ridgelet Cuántica (QRNN)

La QRNN está diseñada para predecir los rendimientos de los activos integrando transformadas de Ridgelet con Circuitos Cuánticos Parametrizados (PQC).

Transformada de Ridgelet: A diferencia de las wavelets estándar, las transformadas de Ridgelet son sensibles a las singularidades y la información direccional en los datos. Descomponen los datos de series temporales en componentes de múltiples resoluciones, capturando tanto tendencias locales como globales.
Codificación Cuántica: Los datos de entrada clásicos se codifican en estados cuánticos utilizando codificación angular mediante puertas de rotación $R_y(\theta)$ .
Formulación de un solo Qubit: Los autores demuestran matemáticamente que una secuencia de rotaciones cuánticas impulsadas por funciones de Ridgelet colapsa en una única rotación efectiva. El valor esperado del operador Pauli-Z ( $\langle Z \rangle$ ) se mapea a una función no lineal de la salida clásica de Ridgelet: $\cos(2g_J(x))$ . Esto crea un análogo cuántico de una neurona no lineal.
Extensión a Múltiples Qubits: El modelo se generaliza a sistemas de $n$ qubits para manejar espacios de características de alta dimensión, utilizando productos tensoriales de estados de un solo qubit.
Arquitectura: El flujo de trabajo implica la extracción de características de Ridgelet $\rightarrow$ Mapeo lineal al espacio de qubits $\rightarrow$ Circuito Cuántico Variacional (VQC) con puertas de entrelazamiento $\rightarrow$ Medición $\rightarrow$ Post-procesamiento clásico.

B. Optimización de Carteras Basada en QAOA

Una vez que la QRNN predice los rendimientos esperados ( $\hat{\mu}$ ), el problema de selección de cartera se formula como un problema de Optimización Binaria Cuadrática Sin Restricciones (QUBO).

Objetivo: Minimizar la varianza de la cartera mientras se maximiza el rendimiento esperado, sujeto a una restricción de cardinalidad ( $K$ activos).
Formulación QUBO: El problema con restricciones se convierte en una forma sin restricciones añadiendo un término de penalización cuadrática para la restricción de cardinalidad:
$Q(x) = -\hat{\mu}^T x + x^T \Sigma x + P \left( \sum x_i - K \right)^2$
Solucionador QAOA: El problema QUBO se mapea a un Hamiltoniano de Ising ( $H_C$ ). El algoritmo QAOA prepara un estado cuántico variacional $|\psi(\gamma, \beta)\rangle$ utilizando unitarios de costo y mezclador alternos. Los optimizadores clásicos ajustan los parámetros $\gamma$ y $\beta$ para minimizar la energía esperada, obteniendo el vector binario de cartera óptimo $x^*$ .

C. Análisis de Ruido y Corrección de Errores

Para evaluar la robustez, los autores simularon el modelo bajo tres condiciones:

Modelo Ruidoso: Incorporando canales de inversión de bits, inversión de fase y despolarización.
Corrección de Errores Cuántica Completa (QEC): Utilizando un código de repetición de 3 qubits para codificar qubits lógicos.
QEC Parcial: Aplicando corrección de errores solo a partes específicas del circuito para equilibrar la complejidad y la estabilidad.

3. Contribuciones Clave

Arquitectura QRNN Novel: Introducción de un modelo híbrido que combina transformadas de Ridgelet con PQC, permitiendo un aprendizaje eficiente de representaciones de patrones direccionales en datos financieros.
Formulación Teórica: Una derivación matemática rigurosa que extiende la QRNN de un sistema de un solo qubit a sistemas de múltiples qubits, demostrando la equivalencia entre la salida del circuito cuántico y la expansión clásica de Ridgelet.
Marco de Optimización Integrado: Un flujo de trabajo fluido donde las predicciones de la QRNN alimentan directamente un optimizador de cartera basado en QAOA, resolviendo el problema de selección de activos en formato QUBO.
Análisis de Robustez: Evaluación exhaustiva del modelo bajo condiciones de ruido realistas, demostrando que la QEC Parcial ofrece el mejor equilibrio entre precisión y complejidad computacional en comparación con la QEC completa o sin corrección.
Validación Empírica: Pruebas extensas con datos financieros del mundo real (12 acciones, 2010–2019) utilizando clústeres de GPU NVIDIA H100 NVL para simulación de alto rendimiento.

4. Resultados Experimentales

El modelo se probó frente a líneas base clásicas (LSTM, GRU, Transformer, CRNN) y líneas base cuánticas (QLSTM, QGRU, QTransformer).

Precisión de Predicción:
- La QRNN logró el RMSE y MAE más bajos tanto en las fases de entrenamiento como de prueba.
- Resultados de múltiples qubits: El RMSE de prueba de la QRNN fue 0.0293, superando significativamente a CRNN (0.0862), LSTM (0.2149) y líneas base cuánticas como QLSTM (0.1482).
- El modelo demostró una generalización superior en diversos sectores (Tecnología, Automoción, Energía).
Resiliencia al Ruido:
- El ruido aumentó drásticamente las tasas de error (por ejemplo, el RMSE saltó de 0.071 a 0.298 en escenarios de un solo qubit).
- La QEC Parcial redujo los errores de manera efectiva (RMSE ~0.217) con menor complejidad de circuito que la QEC completa, la cual mostró ganancias marginales pero mayor complejidad.
Rendimiento de la Cartera:
- La estrategia QRNN-QAOA logró un Ratio de Sharpe de 0.9281, superando a Top-K (0.6311), Peso Igual (0.4632) y selección aleatoria (0.1293).
- Mantuvo una alineación más cercana entre los rendimientos predichos y reales y exhibió una varianza significativamente menor.

5. Significado y Limitaciones

Significado:

Poder Predictivo Superior: La integración de transformadas de Ridgelet con entrelazamiento cuántico permite al modelo capturar no linealidades complejas y tendencias direccionales que los modelos DL clásicos pasan por alto.
Escalabilidad de la Optimización: Al convertir la selección de cartera a QUBO y resolverlo con QAOA, el enfoque ofrece una vía potencial para resolver problemas financieros combinatorios que son intratables para solucionadores clásicos a escala.
Viabilidad Práctica: El estudio proporciona una evaluación realista de las ventajas cuánticas en la era NISQ (Computación Cuántica de Escala Intermedia Ruidosa), destacando la necesidad de estrategias de mitigación de errores como la QEC Parcial.

Limitaciones:

Complejidad Computacional: La simulación de estados cuánticos (especialmente con corrección de errores) escala exponencialmente ( $4^n$ para matrices de densidad). Los autores notaron que escalar más allá de 3 qubits lógicos (9 qubits físicos) llevó al agotamiento de la memoria de la GPU (OOM) debido al tamaño de la matriz de densidad.
Simulación vs. Hardware: Los resultados se basan en simulaciones de alta fidelidad en GPUs clásicas, no en hardware cuántico real, aunque los modelos de ruido simulan imperfecciones realistas del hardware.
Dinámicas de Entrenamiento: Aumentar la cantidad de qubits introduce desafíos como gradientes que se desvanecen y acumulación de ruido, lo que dificulta el entrenamiento para sistemas a gran escala.

Conclusión

El artículo presenta un marco híbrido robusto y teóricamente fundamentado que aprovecha con éxito la computación cuántica para la predicción financiera y la optimización de carteras. Al combinar las capacidades de extracción de características de las transformadas de Ridgelet con el poder de optimización de QAOA, el modelo QRNN demuestra una precisión superior y rendimientos ajustados al riesgo en comparación con los modelos de aprendizaje profundo clásicos y cuánticos más avanzados. El estudio enfatiza que, aunque el ruido es un obstáculo significativo, la mitigación estratégica de errores (QEC Parcial) puede hacer que tales modelos híbridos sean viables para aplicaciones financieras del mundo real.